可解释的深度学习用于个性化的能源消耗预测,使用ECG和加速信号在增量练习中进行增量练习

科学领域:

• 运动科学 运动科学 运动科学
• 健康管理健康管理
• 生物医学工程 生物医学工程

背景情况:

• 精确的能源消耗 (EE) 评估对于体育科学和健康管理至关重要.
• 现有的EE预测模型往往无法考虑个体差异和动态多模式数据相关性.
• 需要个性化和动态的方法来提高EE预测的准确性.

研究的目的:

• 开发和验证个性化的动态-静态特征融合框架,以在增量练习期间改进EE预测.
• 整合连续的生理信号 (动态) 与静止的生理指标 (静态) 进行增强的预测.
• 分析不同特征在不同强度运动中的贡献.

主要方法:

• 采用了混合卷积神经网络 (CNN) 和长短期记忆 (LSTM) 神经网络架构.
• 该模型将动态信号 (三轴加速,心电图) 与静态指标 (BMI,体脂百分比,静止心率,静止氧吸收) 融合在一起.
• 使用RMSE,R2,MAE和Bland-Altman图表来评估性能,与传统的AR和单模式LSTM模型进行比较.

主要成果:

• 拟议的CNN+LSTM融合模型在EE预测中显著优于传统的AR和单模LSTM模型.
• 加速度计特征在中度至高强度运动预测中占主导地位.
• 电脑心电图特征与更高的运动强度有越来越大的贡献,证明了与加速数据的互补效应.

结论:

• 个性化动态静态特征融合是预测EE在增量运动测试中的有效方法.
• 该研究强调了动态和静态特征在不同强度的运动中发挥的互补作用.
• 为未来的EE预测研究和应用提供理论基础和方法参考.